我已经使用 Keras 构建了一个模型来解决回归问题。我想对此模型执行超参数优化。作为我使用的指标val_mean_absolute_error。在示例中，仅涉及分类问题（可在https://github.com/maxpumperla/hyperas上获得）
validation_acc = np.amax(result.history['val_acc'])
print('Best validation acc of epoch:', validation_acc)
return {'loss': -validation_acc, 'status': STATUS_OK, 'model': model}
如何使此代码适应回归问题（val_mean_absolute_error用作指标）？
对于回归问题，我们通常不定义单独的指标，使用损失本身来评估模型性能（越低越好）；因此，假设您将mae其用作损失，并且您已将模型编译为
model.compile(loss='mae', optimizer={{choice(['rmsprop', 'adam', 'sgd'])}})
这就是您应该如何修改链接示例中的代码：
#get the lowest validation loss of the training epochs
validation_loss = np.amin(result.history['val_loss'])
print('Best validation loss of epoch:', validation_loss)
return {'loss': validation_loss, 'status': STATUS_OK, 'model': model}
确实有些人metrics=['mae']在类似情况下添加了编译参数，但这是不必要的。